Машинное обучение, дополнительные главы

Магистратура 2021/2022

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс по выбору (Науки о данных (Data Science))

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Базовая кафедра Яндекс

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Синицин Филипп Геннадьевич

Прогр. обучения: Науки о данных

Язык: русский

Кредиты: 8

Контактные часы: 60

Дополнительные материалы в LMS Задать вопрос

Аннотация

Данный курс посвящён различным направлениям современного машинного обучения. В нём рассматриваются как современные модели, в первую очередь нейросетевые, так и нетривиальные задачи, такие как кластеризация, поиск, рекомендации, анализ временных рядов.

Цель освоения дисциплины

Уметь работать с различными типами данных
Владеть методами из библиотеки pytorch
Иметь представление об архитектуре поисковых и рекомендательных систем
Владеть методами теоретического исследования моделей машинного обучения

Планируемые результаты обучения

Владеть SARIMA-подобными моделями предсказания временных рядов
Владеть методами из библиотеки Pytorch
Владеть основными методами поиска аномалий
Владеть основными нейросетевыми подходами к построению рекомендательных систем
Знать базовые методы интерпретации предсказаний моделей машинного обучения
Знать основные методы кластеризации
Знать основные метрики для задач ранжирования и поиска
Знать, как использовать предобученные модели для решения практических задач
Знать, как устроена двухстадийная схема ранжирования
Иметь представление о наиболее популярных предобученных моделях, имеющихся в открытом доступе
Иметь представление о нейросетевых методах работы с графовыми данными
Иметь представление о подходах к контролируемой генерации объектов
Иметь представление об основных подходах обучения с подкреплением: model-free, model based, policy gradient
Понимать назначение и основные метрики качества рекомендательных систем
Понимать, в чём состоит суть требований к интерпретирумости модели
Уметь использовать ЕМ-алгоритм для максимизации правдоподобия в моделях с латентными переменными
Уметь использовать методы машинного обучения, в том числе рекуррентные нейросети, для предсказания временных рядов
Уметь правильно оценивать качество моделей предсказания временных рядов
Уметь программировать рекуррентные нейронные сети с помощью библиотеки pytorch
Уметь программировать сверточные нейросети с помощью библиотеки Pytorch
Уметь работать с вероятностными моделями с латентными переменными
Уметь строить архитектуры рекуррентных нейросетей для решения задач классификации и регрессии
Уметь строить архитектуры сверточной нейросети для решения задач регрессии
Уметь строить модели ранжирования для pointwise, pairwise и listwise подходов
Уметь строить полносвязные нейросети для решения задач классификации регрессии
Уметь строить рекомендательные системы с помощью матричных разложений
Уметь формулировать задачи в парадигме обучения с подкреплением, выделять состояния среды и действия